滚动轴承在旋转机械中应用广泛,是最常见的零部件之一,其工作状态能够直接影响整个设备的安全性。为了保证设备正常运行,对滚动轴承的状态监测与故障诊断势在必行。由于传统的故障诊断方法难以全面表征复杂故障类型,而滚动轴承的故障模式与其故障特征向量之间存在复杂的非线性关系。因此本文从振动信号处理着手,以支持向量机(Support Vector Machine)为模式识别方法,对可作为故障特征的各个统计参数指标进行了分析和比较,从中选取性能稳定良好的作为轴承故障特征;另外,结合小波包分解和样本熵作为另一种轴承故障特征提取方法。由此,本文提出了两种可行的滚动轴承故障诊断方法。方法一:分别在时域和频域中提取振动信号中性能优良的统计参数指标,以多特征组合的方式构建了8维特征向量,最后输入SVM进行分类和预测。方法二:结合小波包分解和样本熵。首先分别对振动信号进行1,2,3层小波包分解,分别得到2,4,8个频带,再加上原始振动信号,共15个频带;然后计算各频带的样本熵,用样本熵在各个频带的走势来表征故障类型;最后把构建的15维特征向量输入SVM完成故障诊断。最后,为了验证本文所用方法的可行性和优越性,使用了美国凯斯西储大学的轴承数据对两种方法分别进行了测试,并与已有方法进行了比较,结果表明本文所用方法性能稳定且在预测正确率上有明显优势。